基于可见一近红外光谱技术的家蚕蚕种鉴别方法的研究

提出了一种结合主成分分析和人工神经网络技术的可见～红外光谱家蚕蚕种快速鉴别新方法．主成分分析法用于家蚕蚕种品种的聚类分析及主成分的提取．从主成分1和2对所有建模样本的得分图可以看出，主成分分析法对不同种类家蚕蚕种具有较好的聚类作用，可以定性分析家蚕蚕种品种．提取了6个能解释原始光谱的大部分信息的主成分，作为BP神经网络的输入，建立了三层BP人工神经网络模型．选取了4个典型的家蚕蚕种品种，共120个样本，其中随机选取了100样本用来建立神经网络品种鉴别模型，对未知的20个样本进行预测，结果表明，品种识别准确率达到100％．说明该方法具有很好的分类和鉴别作用，为家蚕蚕种的品种鉴别提供了一种新的途径．     

一种基于主成分分析的高光谱图像压缩方法

探讨将主成分分析方法应用于高光谱图像压缩。对扫帚式高光谱成像仪(PHI)图像应用主成分分析的方法,发现能量主要集中在少数几个特征值中,这就为压缩提供了可能。使用峰值信噪比(PSNR)及分类准确率来评估该方法的可行性。实验证实了该算法的有效性。     

用光谱主成分分析选择烟草近红外模型校正集样品

为研究光谱主成分分析方法在选择烟草近红外模型校正集样品过程中的可行性,本文采用常规的人为挑选和光谱主成分分析两种方法选择校正集样品,并利用偏最小二乘法建立烟叶总糖、总氮和烟碱含量的预测模型,同时比较了这两种校正集样品选择方法所建立模型的各项评价指标和预测结果的差异性。结果表明,上述两种方法建立的总糖、总氮和烟碱含量预测模型的各项评价指标非常接近,对20个烟叶样品的预测结果也无明显差异。因此,应用光谱主成分分析是烟草近红外模型构建过程中的一种非常有效,且节约常规化学分析成本的校正集样品选择方法。     

基于BP神经网络的近红外光谱法鉴别芝麻油品牌的研究

研究了一种用近红外光谱分析技术快速鉴别芝麻油品牌的方法。首先对芝麻油样品的近红外光谱采用主成分分析法进行聚类分析,加结合人工神经网络技术进行芝麻油品牌的鉴别。通过主成分分析,得到前15个主成分的累计可信度达到99.72%,再将55个校正集样品的前15个主成分数据作为BP网络输入变量,建立一个3层BP人工神经网络的芝麻油...     

基于概率主成分分析的人脸识别

人脸自动识别是模式识别和图像处理等学科的一大研究热点,在身份鉴别、信用卡识别、护照核对以及监控系统等方面有着广泛的应用。提出一种基于概率主成分分析方法(PPCA)的人脸识别,该方法与传统的主成分分析(PCA)相比,克服了简单的“丢弃”其他非主成分因子,在PPCA中将“丢弃”因子作为噪声成分进行估计．同时PPCA方法是一种基于概率模型的方法,因此很容易延伸为混合模型,对于PPCA概率模型参数,提出利用EM算法对其进行估计。用两个不同的数据集(姿势表情变化集和光照变化集),将PPCA人脸识别算法和传统的PCA算法进行比较,基于PPCA的人脸识别算法中的“丢弃”方差的收敛速度快于传统的PCA算法。实验结果表明．无论是姿势表情变化集,还是光照变化集,PPCA算法的识别率都优于传统的PCA识别算法。     

基于反射光谱和主成分分析的生物炭快速溯源鉴别研究

快速鉴别生物炭源质对生物炭的合理开发与应用具有重要意义。本实验以14种生物炭为研究对象,采用全校验主成分分析（PCA）方法对样本光谱进行数据压缩和主成分提取。由第一、第二主成分得分构成的二维分布图显示了不同源质生物质的样本分布特点。由前3个主成分构成的线性鉴别模型（PC—LDA）应用于验证集样本预测效果最佳,判错个数最少。实验结果表明,光谱技术结合主成分分析方法能够实现生物炭源质的快速鉴别与诊断。     

基于主成分分析和Fisher判别分析的印泥检验研究

在公安司法实践中,印章印泥长期在鉴别文件真伪中发挥重要作用。为判定文件真伪提供证据,利用SERDS Portable-Base便携式差分拉曼光谱仪,在激发光源785 nm,激光功率380 mW,扫描时间10 s,扫描范围250～2 800 cm^-1的试验条件下,对36个印泥样本进行了快速无损检测。通过分析谱图可以将样品按照特征峰位置和数目进行区分,对于同组样品还可以通过特征峰的相对峰高比进行区分。利用主成分分析法对所得的差分数据进行降维,将所得到的降维后的成分矩阵进行系统聚类,所有样本被科学地分为7类,DP值为85.23%。同时利用判别分析建立了基于聚类分析的分类模型,经交叉验证后分类正确率达94.4%。该方法快速无损,灵敏度高,抗荧光干扰性强,结合所建立模型可以科学地检验印泥样品,为公安一线文件检验等实际工作提供帮助。     

基于主成分分析的图像匹配方法研究

景像匹配和相关跟踪系统中,由于所面临的都是变化的场景,实时获取的图像与预存的基准图之间存在差异。传统的基于图像空间的匹配方法不能很好地克服这些差异给图像匹配定位带来的影响,使得完全按图像灰度特征的相关匹配应用受到限制。文中将主成分分析方法引入了图像匹配和相关跟踪过程中,提出一种能抗御一定图像畸变的基于主成分分析的图像匹配算法,并应用该方法进行了初步实验,证明该算法具有较高的匹配跟踪鲁棒性。     

基于可见-近红外光谱技术的家蚕蚕种鉴别方法的研究

提出了一种结合主成分分析和人工神经网络技术的可见-红外光谱家蚕蚕种快速鉴别新方法.主成分分析法用于家蚕蚕种品种的聚类分析及主成分的提取.从主成分1和2对所有建模样本的得分图可以看出,主成分分析法对不同种类家蚕蚕种具有较好的聚类作用,可以定性分析家蚕蚕种品种.提取了6个能解释原始光谱的大部分信息的主成分,作为BP神经网络的输入,建立了三层BP人工神经网络模型.选取了4个典型的家蚕蚕种品种,共120个样本,其中随机选取了100样本用来建立神经网络品种鉴别模型,对未知的20个样本进行预测,结果表明,品种识别准确率达到100%.说明该方法具有很好的分类和鉴别作用,为家蚕蚕种的品种鉴别提供了一种新的途径.     

基于主成分和多类判别分析的可见-红外光谱水蜜桃品种鉴别新方法

提出了一种用可见-近红外漫反射光谱技术快速鉴别水蜜桃品种的新方法.应用可见-近红外光谱仪测定三个品种水蜜桃的光谱曲线,再用主成分分析法对不同品种样本进行聚类分析,获取了水蜜桃可见-近红外光谱的特征信息,同时结合多类判别分析技术建立水蜜桃品种鉴别的模型.对经过预处理的光谱数据进行主成分分析,分析表明,以样本在第一主成分和第二主成分上的得分做出的二维散点图,对不同种类水蜜桃具有很好的聚类,能定性区分不同种类水蜜桃;经过主成分分析得到的前8个主成分的累积可信度已达94.38%,说明这8个变量能够代表绝大部分原始光谱的信息.从75个样本中随机抽取60个样本用于建立8个主成分变量的多类判别分析品种鉴别模型,余下的15个样本用于验证,准确率为100%.说明本文提出的方法具有明显的分类和鉴别作用.     

基于PCA算法的人脸识别研究

介绍了PCA算法及其在人脸识别中的应用。PCA算法是一种基于统计的算法,其优点是识别率高,速度快。基于PCA算法的特征脸方法首先根据人脸数据库训练出一系列的特征脸,然后把人脸数据库中的每个人脸图片进行映射,得出每个人的特征系数,这组系数可以表示该张图片。最后计算出待识别样本的特征系数,并与人脸数据库中的特征系数一一进行比较,以距离相近的作为识别结果。     

基于神经网络的传播预测模型浅析

传播预测模型是网络规划和频谱资源合理利用的基础。在分析了现有模型不足的基础上,介绍了人工神经网络的结构及其传播预测模型的构建,并对该模型进行了改进,提出了应用反向传播(Back-Propagation,BP)神经网络的混合传播模型。人工神经网络具有良好的非线性逼近能力和泛化能力,非常适用于特定地区传播损耗的预测。通过对试验数据的分析处理,验证了此方法能够更真实地反映该区域的无线电波传播环境,得到更高的预测准确度。     

基于神经网络的模型参考自适应控制

将神经网络应用于模型参考自适应控制系统中,组成模型参考神经网络自适应控制系统.利用神经网络自身的优点来克服传统模型参考自适应控制算法的不足,使系统具有更强的鲁棒性和容错性.仿真结果表明,该系统与传统的模型参考自适应控制系统比较,不仅能实现原系统的功能,而且该系统的稳定性和抗干扰性优于原系统.     

基于BP神经网络和主元分析法的数码相机光谱重构算法

从数码相机的RGB信号重构物体表面的光谱反射率是光谱颜色管理研究中的重要课题之一。提出了一种基于误差反向传播前馈神经网络(BP)和主元分析法(PCA)实现色卡的表面光谱反射率重构的新算法。通过对三种色卡进行光谱重构实验研究了BP神经网络的最优结构和主元数的最佳选择,验证了算法的精度。实验结果表明,采用适当的BP神经网络和主元分析相结合的新算法能够精确重构同类色卡的表面光谱反射率。     

主成分分析与BP神经网络的人脸识别方法研究

BP神经网络在人脸识别方面的研究中,原始样本数据不进行预处理与特征提取,不仅使识别结果准确降低,而且使BP神经的结构复杂化。主成分分析法能提取代替样本的少数几个主成分,这些主成分彼此不相关,符合特征优化的要求。BioID人脸数据库实验表明,将主成分分析与BP神经网络相结合,与传统单一的BP神经网络识别相比,提高识别的正确率,减少了训练时间,同时简化了网络结构,减少很大的计算量。     

基于人工神经网络的IC互连可靠性研究

鉴于有限元分析耗时耗资源的缺点,为了加速集成电路的互连可靠性分析,提出将传统的有限元建模和人工神经网络(ANN)建模技术结合来实现IC的建模和仿真分析.采用有限元ANSYS参数化设计语言(APDL)实现IC三维模型的自动构建和原子通量散度(AFD)计算,之后通过对计算所得的可靠性数据进行训练和测试,采用神经网络技术对模型的输入输出关系进行建模,使模型达到足够高的精度.神经网络模型构建好之后,可以在短时间产生一个可靠性数据库.通过对数据的统计分析可以得到电路在不同条件下的互连可靠性,进而分析各因素对电路互连可靠性的影响,为集成电路的互连可靠性分析和设计提供重要指导.     

结合Bi-2DPCA和PNN集成的SAR图像目标识别

针对合成孔径雷达(SAR,synthetic aperture radar)图像目标识别存在的特征维数较高、计算复杂度较大、识别效率较低等问题,提出了一种结合两向二维主分量分析(Bi-2DPCA,bilateral two-dimensional principal component analysis)和PNN (probabilistic neural network)集成的SAR图像目标识别方法.该方法首先在小波域利用Bi-2DPCA提取训练样本和测试样本的低维特征,然后将训练完成的多个PNN弱分类器集成为一个强分类器,最后对测试样本的多个预测结果进行投票实现分类识别.MSTAR数据实验结果表明在样本特征维数低至6□3的情况下平均识别率高达98.90％,能够取得比传统识别方法更高效、更准确、更稳定的识别结果.     

基于Contourlet变换和主成分分析的高光谱数据噪声消除方法

该文提出了一种适合于高光谱超维数据处理的基于Contourlet变换和主成分分析的噪声消除方法。该方法首先利用Contourlet变换实现图像的稀疏表示,再利用主成分分析对Contourlet系数进行适当地消噪处理。通过对OMIS图像的实验结果表明该方法能够同时消除高光谱多个波段图像中的噪声,从整体上改善高光谱图像质量,且性能上要优于PCA和Contourlet变换方法。     

一种基于主分量分析的SAR图像变化检测算法

该文提出一种基于主分量分析(PCA)的SAR图像变化检测算法.该算法将SAR图像转化为列向量,对两个图像向量组成的矩阵进行主分量分解,其图像的变化部分则表征为矩阵的次分量成分.论文还研究了高效的SAR图像变化检测实现算法,最后通过与对数比方法和分块主分量分析法进行比较实验,实验结果证实了方法的有效性.     

基于曲率的主分量分析及应用

提出一种基于曲率的主分量分析算法。该算法先计算各点的曲率,包括主曲率、高斯曲率和平均曲率,并将点云数据映射到曲率空间,对曲率空间进行主分量提取,然后对点云数据进行压缩。实验结果表明,该算法具有较好的压缩性能。将PCA算法引入三维点云数据压缩,弥补了传统PCA方法的缺陷。